重参数化YOLOv5s的森林火灾检测算法.pdfVIP

信号与信息处理

－

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３３１０６．２０２４．０２．００６

－

引用格式：杨武，余华云，赵昕宇，等．重参数化ＹＯＬＯｖ５ｓ的森林火灾检测算法［Ｊ］．无线电工程，２０２４，５４（２）：２８４２９３．［ＹＡＮＧ

，，，［］，

ＷｕＹＵＨｕａｙｕｎＺＨＡＯＸｉｎｙｕｅｔａｌ．ＡＦｏｒｅｓｔＦｉｒｅＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＲｅｐａｒａｍｅｔｅｒｉｚｅｄＹＯＬＯｖ５ｓＪ．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ

，（）：－］

２０２４５４２２８４２９３．

重参数化ＹＯＬＯｖ５ｓ的森林火灾检测算法



杨武，余华云，赵昕宇，何勇，徐红牛

（长江大学计算机科学学院，湖北荆州４３４０２３）

摘要：目前森林火灾多发，建立日常监测尤为重要，但是边缘智能检测设备算力和内存较低，限制了检测模型的推

理和部署。针对以上问题，提出一种改进的重参数化ＹＯＬＯｖ５ｓ的森林火灾检测算法，结合重参数化、通道重排和深度可分

离卷积（，）等轻量化思想分别设计新的骨干和颈部网络，增强特征提取能力，提高模

ＤｅｐｔｈｗｉｓｅＳｅｐａｒａｂｌｅＣｏｎｖｏｌｕｔｉｏｎＤＳＣ

型检测精度，使参数量和推理权重较大幅度减少。为避免颈部网络的信息丢失，根据空洞卷积提出特征增强模块，增强多

尺度特征融合能力。为进一步提高模型性能，加入轻量化的注意力机制，更准确定位目标。当前公开的火焰烟雾数据

ＣＡ

集存在针对性不强的问题，为了更好地提高模型的检测效率，制作了一个新的森林火灾数据集，在数据集上利用结构相似

性算法剔除了相似度过高的图片，保证了模型的泛化能力。实验结果表明，改进后的重参数化ＹＯＬＯｖ５ｓ以原网络约７６％的

参数量提高了４．０％的精确度，推理权重下降至１０．５ＭＢ，更适合于设备性能差、容量小的边缘设备，提高了森林火灾巡检

的效率。

关键词：森林火灾；ＹＯＬＯｖ５ｓ；重参数化；深度可分离卷积；多尺度特征融合

中图分类号：ＴＰ３９１文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：

－（）－－

文章编号：１００３３１０６２０２４０２０２８４１０

ＡＦｏｒｅｓｔＦｉｒｅＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＲｅｐａｒａｍｅｔｅｒｉｚｅｄＹＯＬＯｖ５ｓ



ＹＡＮＧＷｕ，ＹＵＨｕａｙｕｎ，ＺＨＡＯＸｉｎｙｕ，ＨＥＹｏｎｇ，ＸＵＨｏｎｇｎｉｕ

（，，，）

ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅＹａｎｇｔｚｅＵｎｉｖｅｒｓｉｔｙＪｉｎｇｚｈｏｕ４３４０２３Ｃｈｉｎａ

Ａｂｓｔｒａｃｔ：Ｃｕｒｒｅｎｔｌｙ，ｆｏｒｅｓｔｆｉｒｅｓａｒｅｆｒｅｑｕｅｎｔ．Ｉｔｉｓｐａｒｔｉｃｕｌａｒｌｙｉｍｐｏｒｔａｎｔｔｏｅｓｔａｂｌｉｓｈｄａｉｌｙｍｏｎｉｔｏｒｉｎｇ．Ｈｏｗｅｖｅｒ，ｔｈｅｌｏｗ

ｃｏｍｐｕｔａｔｉｏｎａｌｐ